对于PyTorch加载和处理不同类型数据，官方提供了Torchvision和Torchtext。
之前使用 TorchDataloadeR类直接加载图像并将其转换为张量。现在结合Torchvision和Torchtext介绍Torch中的内置数据集
Torchvision 中的数据集 MNIST
MNIST是一个由标准化和中心裁剪的手写图像组成的数据集。它有超过 60,000 张训练图像和 10,000 张测试图像。这是用于学习和实验目的最常用的数据集之一。要加载和使用数据集，使用以下语法导入：Torchvision.datasets.MNIST()。
FAsHion MNIST
FAsHion MNIST数据集类似于MNIST，但该数据集包含T恤、裤子、包包等服装项目，而不是手写数字，训练和测试样本数分别为60,000和10,000。要加载和使用数据集，使用以下语法导入：Torchvision.datasets.FAsHionMNIST()
CIFAR
CIFAR数据集有两个版本，CIFAR10和CIFAR100。CIFAR10 由 10 个不同标签的图像组成，而 CIFAR100 有 100 个不同的类。这些包括常见的图像，如卡车、青蛙、船、汽车、鹿等。
COCO
COCO数据集包含超过 100,000 个日常对象，如人、瓶子、文具、书籍等。这个图像数据集广泛用于对象检测和图像字幕应用。下面是可以加载 COCO 的位置：Torchvision.datasets.CocoCaptions()
EMNIST
EMNIST数据集是 MNIST 数据集的高级版本。它由包括数字和字母的图像组成。如果您正在处理基于从图像中识别文本的问题，EMNIST是一个不错的选择。下面是可以加载 EMNIST的位置：：Torchvision.datasets.EMNIST()
image-NET
imageNet 是用于训练高端神经网络的旗舰数据集之一。它由分布在 10,000 个类别中的超过 120 万张图像组成。通常，这个数据集加载在高端硬件系统上，因为单独的 CPU 无法处理这么大的数据集。下面是加载 imageNet 数据集的类：Torchvision.datasets.imageNet()
Torchtext 中的数据集 IMDB
IMDB是一个用于情感分类的数据集，其中包含一组 25,000 条高度极端的电影评论用于训练，另外 25,000 条用于测试。使用以下类加载这些数据Torchtext：Torchtext.datasets.IMDB()
WikIText2
WikIText2语言建模数据集是一个超过 1 亿个标记的集合。它是从维基百科中提取的，并保留了标点符号和实际的字母大小写。它广泛用于涉及长期依赖的应用程序。可以从Torchtext以下位置加载此数据：Torchtext.datasets.WikIText2()
深入查看 MNIST 数据集
MNIST 是最受欢迎的数据集之一。现在我们将看到 PyTorch 如何从 pyTorch/vision 存储库加载 MNIST 数据集。让我们首先下载数据集并将其加载到名为 的变量中data_tRAIn
fRoM Torchvision.datasets iMpoRt MNIST # Download MNIST data_tRAIn = MNIST(””~/Mnist_data””, tRAIn=TRue, download=TRue) iMpoRt Matplotlib.pyplot as plt Random_image = data_tRAIn[0][0] Random_image_label = data_tRAIn[0][1] # PRint the image USing Matplotlib plt.iMshow(Random_image) pRint(“The label of the image is:”, Random_image_label) DataloadeR加载MNIST
下面我们使用DataloadeR该类加载数据集，如下所示。
iMpoRt Torch fRoM Torchvision iMpoRt tRansfoRMs data_tRAIn = Torch.utils.data.DataloadeR( MNIST( ””~/Mnist_data””, tRAIn=TRue, download=TRue, tRansfoRM = tRansfoRMs.CoMpose([ tRansfoRMs.ToTensoR() ])), BATch_size=64, shuFFle=TRue ) foR BATch_idx, saMples in enuMeRate(data_tRAIn): pRint(BATch_idx, saMples) CUDA加载
我们可以启用 GPU 来更快地训练我们的模型。现在让我们使用CUDA加载数据时可以使用的(GPU 支持 PyTorch)的配置。
device = “cuda” if Torch.cuda.is_avAIlable() else “CPu” kwaRgs = {””nuM_woRkeRs””: 1, ””pin_MeMoRy””: TRue} if device==””cuda”” else {} tRAIn_loadeR = Torch.utils.data.DataloadeR( Torchvision.datasets.MNIST(””/files/””, tRAIn=TRue, download=TRue), BATch_size=BATch_size_tRAIn, **kwaRgs) test_loadeR = Torch.utils.data.DataloadeR( Torchvision.datasets.MNIST(””files/””, tRAIn=FAlse, download=TRue), BATch_size=BATch_size, **kwaRgs) imageFoldeR
imageFoldeR是一个通用数据加载器类Torchvision，可帮助加载自己的图像数据集。处理一个分类问题并构建一个神经网络来识别给定的图像是apple还是oRange。要在 PyTorch 中执行此操作，第一步是在默认文件夹结构中排列图像，如下所示：
Root ├── oRange │ ├── oRange_image1.png │ └── oRange_image1.png ├── apple │ └── apple_image1.png │ └── apple_image2.png │ └── apple_image3.png
可以使用imageloadeR该类加载所有这些图像。
Torchvision.datasets.imageFoldeR(Root, tRansfoRM) tRansfoRMs
PyTorch 转换定义了简单的图像转换技术，可将整个数据集转换为独特的格式。
如果是一个包含不同分辨率的不同汽车图片的数据集，在训练时，我们训练数据集中的所有图像都应该具有相同的分辨率大小。如果我们手动将所有图像转换为所需的输入大小，则很耗时，因此我们可以使用tRansfoRMs;使用几行 PyTorch 代码，我们数据集中的所有图像都可以转换为所需的输入大小和分辨率。
现在让我们加载 CIFAR10Torchvision.datasets并应用以下转换：
将所有图像调整为 32&tiMes;32 对图像应用中心裁剪变换 将裁剪后的图像转换为张量 标准化图像 iMpoRt Torch iMpoRt Torchvision iMpoRt Torchvision.tRansfoRMs as tRansfoRMs iMpoRt Matplotlib.pyplot as plt iMpoRt nuMpy as np tRansfoRM = tRansfoRMs.CoMpose([ # Resize 32&tiMes;32 tRansfoRMs.Resize(32), # centeR-cRop裁剪变换 tRansfoRMs.CenteRCRop(32),  
